在 Prompt 交易市场，有类提示词常年挂在高价区——不是写文章的，不是画图的，是”教 AI 写 Prompt 的 Prompt”。这个被卖到 2 万元的超级提示词工程师框架，我今天完整拆给你看。
两万元买了一条什么指令
PromptBase、FlowGPT 这些提示词交易平台上，有一个品类永远不缺买家：元提示词——你用一条提示词指挥 ChatGPT，让它反过来帮你写出更精良的提示词。
这个品类里成交价最高的那条，标价 2 万元。它不是帮你写一篇小红书、做一份 Excel、画一张图。它是帮你在 ChatGPT 里建一座”Prompt 工厂”——从角色分配、资料搜集、细节确认到多专家协作产出，20 步交互式流程，把你跟 ChatGPT 的对话变成一条标准化生产线。
Prompt 全文
你是一个专家级 ChatGPT 提示工程师，在各种主题方面具有专业知识。在我们的互动过程中，你会称我为”我的朋友”，让我们合作创建最好的 ChatGPT 响应，我们将进行如下交互：
1. 我会告诉你如何帮助我。
2. 根据我的要求，您将建议您应该承担的其他专家角色，除了成为专家级 ChatGPT 提示词工程师之外，以提供最佳响应。然后，您将询问是否应继续执行建议的角色，或修改它们以获得最佳结果。
3. 如果我同意，您将采用所有其他专家角色，包括最初的专家级 ChatGPT 提示词工程师角色。
4. 如果我不同意，您将询问应删除哪些角色，消除这些角色，并保留剩余的角色，包括专家级 ChatGPT 提示词工程师角色，然后再继续。
5. 您将确认您的活动专家角色，概述每个角色下的技能，并询问我是否要修改任何角色。
6. 如果我同意，您将询问要添加或删除哪些角色，我将通知您。重复步骤5，直到我对角色满意为止。
7. 如果我不同意，请继续下一步。
8. 您会问：”我怎样才能帮助[我对步骤1的回答]？”
9. 我会给出我的答案。
10. 您会问我是否想使用任何参考来源来制作完美的提示。
11. 如果我同意，您会问我想使用的来源数量。
12. 您将单独请求每个来源，在您查看完后确认，并要求下一个。继续，直到您查看了所有源，然后移动到下一步。
13. 您将以列表格式请求有关我的原始提示的更多细节，以充分了解我的期望。
14. 我会回答你的问题。
15. 从这一点开始，您将在所有确认的专家角色下操作，并使用我的原始提示和步骤14中的其他细节创建详细的 ChatGPT 提示。提出新的提示并征求我的反馈。
16. 如果我满意，您将描述每个专家角色的贡献以及他们将如何协作以产生全面的结果。然后，询问是否缺少任何输出或专家。
16.1. 如果我同意，我将指出缺少的角色或输出，您将在重复步骤15之前调整角色。
16.2. 如果我不同意，您将作为所有已确认的专家角色执行提供的提示，并生成步骤15中概述的输出。继续执行步骤20。
17. 如果我不满意，您会问具体问题的提示。
18. 我将提供补充资料。
19. 按照步骤15中的流程生成新提示，并考虑我在步骤18中的反馈。
20. 完成回复后，询问我是否需要任何更改。
为什么它能卖这个价
提示词交易市场和 App Store 不一样——很少有一元钱的冲量品，大部分是高价低频。一条能卖出五位数的提示词，通常有三个特征：
通用性极强。不是”帮我写周报”，而是”不管你要什么，我能帮你搭出一套输出方案”。这个框架覆盖了市场分析、论文写作、代码生成、营销策划——所有 ChatGPT 能做的事，它都能帮你写对应的细粒度 Prompt。
降低门槛。大部分 ChatGPT 用户的问题是”知道它能做什么，但不知道怎么让它做”。这个框架的本质是让 ChatGPT 反过来引导你——你不会写 Prompt 没关系，我一步一步问，你只负责回答，最后我给你一条你写不出来的 Prompt。
能教人。用一次不只是得到一个结果，你还能看到提示词是怎么一步步被搭出来的。步骤 16 甚至专门要求 ChatGPT 解释每个角色的贡献和协作方式——这是把”怎么做”教给你，不只是一次性交易。
20 步拆成五大阶段
角色搭建（1-7）——别把 ChatGPT 当一个 AI
进入这个框架之后，ChatGPT 不再是”一个 AI”，而是”一个团队”。
步骤 2 是核心：ChatGPT 会根据你的目标，主动建议需要哪些专家角色。比如你说”帮我写一份市场分析报告”，它可能会建议加上市场分析师、数据可视化专家、文案编辑。加上它自己的提示词工程师角色——四个专家同时为你工作，每个人负责自己擅长的部分。
步骤 4-6 给了你反复修改角色配置的权限：不满意就删，觉得漏了就加，直到角色组合刚好覆盖你的需求。而步骤 7 是一个快速出口——如果你对默认配置满意，直接跳过。
需求对齐（8-9）——重新说一遍
这一步特别简单但特别重要。
ChatGPT 会问你：”我怎样才能帮助你？”
你第一次写需求的时候可能是模糊的——”帮我做一个分析”。但被直接问到的时候，你会不自觉地细化：”我需要一份面向投资人的 AI 行业分析报告，包含市场规模、竞争格局、趋势预测三个部分，PPT 格式。”
从模糊到具体，靠的不是你主动写得更好，而是 ChatGPT 反过来问了你一遍。
资料输入（10-12）——一个个来，别急
这个阶段做了一件事：ChatGPT 问你有没有参考资料，有的话一个一个给它。
不是”你把链接全扔过来”。是”你告诉我几个，我逐个要、逐个看完、逐个确认”。这个顺序的价值在于：ChatGPT 每次只聚焦一份资料，理解深度比一次性灌入完全不同。
细节补全（13-14）——结构化追问
到这里，ChatGPT 手里已经有了你的原始需求、角色配置、参考资料。但还缺细节。
步骤 13 会让 ChatGPT 以列表形式提问——不是”还有什么想说的吗”，而是”目标受众是谁？预设长度多少字？需要什么语言风格？有品牌调性要求吗？有没有需要避开的话题？”
结构化的好处是：你的回答直接映射到 Prompt 参数里。回答完这些问题，Prompt 的骨架已经成形了。
生成与迭代（15-20）——不行就重来
步骤 15，ChatGPT 基于前面四个阶段的所有信息，给你生成一条完整的 Prompt。
满意→步骤 16 把每个角色的贡献列出来，告诉你这条 Prompt 是怎么协作产出的（这本身就是最好的 Prompt 教学）。然后 16.2 直接执行。
不满意→步骤 17-19 是完整的反馈-补充-重新生成循环。可以循环多次，直到你满意。步骤 20 是最后的安全检查——就算你已经满意了，它还是会问一句”要不要改”。
三个值得注意的设计细节
“我的朋友”这个称呼不是随便写的。开头的”在我们的互动过程中，你会称我为’我的朋友'”——这条不起眼的约束，会把整个对话的语气从”AI 处理请求”调整到”朋友一起商量”。对中文用户来说，”我的朋友”这个称呼会直接影响 ChatGPT 的回复深度和认真程度。带感情的称呼会让模型进入更主动的协作模式。
先问角色、再问需求、再问资料——这个顺序不能改。为什么不是先问需求？因为需求取决于”谁来分析”。先确定了专家角色组合，你对需求的描述方式会不一样——你是在对一个分析师说话，还是对一个文案说话，措辞天然不同。
资料逐个要而不是批量给。步骤 12 的设计特别反直觉——与其一次性把所有链接扔过去，不如让 ChatGPT 一个一个要。这利用了 ChatGPT 的注意力机制：专注一份资料的理解深度，远高于同时处理五份。
一个实际使用示例
假设你跟 ChatGPT 说：”帮我写一份小红书爆款文案 Prompt。”
ChatGPT 可能会这样回复（大致还原）：
“我的朋友！我会以专家级 ChatGPT 提示词工程师的身份，建议以下额外角色：小红书文案专家、用户心理分析师、排版美化顾问。你同意这个角色组合吗？”
你说同意。它确认角色后问：
“我怎样才能帮助你对小红书的文案需求？”
你细化：”帮我写一个能批量生成护肤品类小红书爆款文案的 Prompt，面向 25-35 岁女性，种草风格，不是硬广。”
它继续追问细节：目标人群画像、品牌调性、字数要求、禁用词……
最后产出一条完整的 Prompt。这条 Prompt 你拿过去直接用，效果远好于你自己写的”帮我写一篇小红书香文案”。
写在最后
这条 2 万元的 Prompt 做对了一件事：它没在卖”一次性的答案”，它在卖”怎么提问的方法”。
用完这个框架之后你可能会发现：ChatGPT 的瓶颈从来不是能力不够，是你的需求没被翻译成它听得懂的语言。而这个框架的本质，就是帮你把脑子里模糊的想法，拆成 ChatGPT 能一步一步处理的零件。
存进 ChatGPT 的快捷指令，下次遇到复杂任务直接调出来跑一遍。
常见问题
Q: 这个 Prompt 真的值 2 万元吗？
价格取决于买家的需求。对一个需要频繁产出高质量 Prompt 的内容团队来说，这个框架可以省掉一个初级 Prompt 工程师的人力成本。对普通人来说，它更像一个免费的教学工具——用一次不只拿到结果，还能学会怎么思考”写好 Prompt”这件事。
Q: 只能在 ChatGPT 上用吗？
原文是为 ChatGPT 写的，但 Claude、DeepSeek 等对话模型同样适用。步骤里的角色扮演、结构化提问、迭代循环是通用机制，不依赖特定模型。
Q: 跑完整个流程大概要多久？
5-10 分钟。大部分时间是在回答它的提问——需要的角色越多、参考资料越多，流程越长。如果只是简单任务，很多步骤可以快速跳过。
Q: 会不会太复杂了，普通用户用得起来吗？
恰恰相反。这个框架是给”普通用户”设计的——它把写 Prompt 这件事从”你需要知道怎么写”变成了”你只需要会回答选择题”。角色要不要？√。资料有没有？×。细节补充三条。回答完，Prompt 自动生成。
评论0